다양성 역설 재검토: 추천 시스템에서의 피드백 루프의 체계적 영향

The Diversity Paradox revisited: Systemic Effects of Feedback Loops in Recommender Systems

추천 시스템은 사용자 행동과 알고리즘 추천이 시간이 지남에 따라 함께 진화하는 피드백 루프를 통해 개인의 선택에 영향을 미칩니다. 이러한 루프의 체계적 영향은 기존 시뮬레이션 연구의 비현실적인 가정으로 인해 부분적으로 제대로 이해되지 못하고 있습니다. 본 연구에서는 암묵적 피드백, 주기적인 재학습, 추천 수용의 확률적 특성, 그리고 이질적인 추천 시스템을 반영하는 피드백 루프 모델을 제안합니다. 제안된 프레임워크를 온라인 소매 및 음악 스트리밍 데이터에 적용하여 피드백 루프의 체계적 영향을 분석했습니다. 연구 결과, 추천 시스템 채택률이 증가하면 개인의 소비 다양성이 점진적으로 증가할 수 있지만, 전체 수요는 모델 및 도메인에 따라 재분배되며, 종종 인기 콘텐츠 집중화를 심화시키는 경향이 있습니다. 또한, 시간 경과에 따른 분석 결과, 정적 평가에서 관찰되는 개인의 다양성 증가는 착시 현상일 수 있습니다. 추천 시스템 채택률이 고정되고 시간이 흐르면, 모든 모델에서 개인의 다양성이 지속적으로 감소하는 것을 확인했습니다. 본 연구 결과는 정적 평가의 한계를 극복하고 추천 시스템 설계 시 피드백 루프의 동적 특성을 명시적으로 고려해야 함을 강조합니다.

Recommender systems shape individual choices through feedback loops in which user behavior and algorithmic recommendations coevolve over time. The systemic effects of these loops remain poorly understood, in part due to unrealistic assumptions in existing simulation studies. We propose a feedback-loop model that captures implicit feedback, periodic retraining, probabilistic adoption of recommendations, and heterogeneous recommender systems. We apply the framework on online retail and music streaming data and analyze systemic effects of the feedback loop. We find that increasing recommender adoption may lead to a progressive diversification of individual consumption, while collective demand is redistributed in model- and domain-dependent ways, often amplifying popularity concentration. Temporal analyses further reveal that apparent increases in individual diversity observed in static evaluations are illusory: when adoption is fixed and time unfolds, individual diversity consistently decreases across all models. Our results highlight the need to move beyond static evaluations and explicitly account for feedback-loop dynamics when designing recommender systems.